图像分割是图像处理的一个重要步骤,它在计算机视觉领域,特别是模式识别、目标跟踪和检测、图像重构和特征提取等方面有着重要而广泛的应用。主动轮廓模型是近年来非常流行的图像分割工具,本文在一定理论分析和方法讨论的基础上,提出了两种新的主动轮廓模型。本文所做的主要工作如下:1.提出一种基于包含度的无参数概率主动轮廓模型。该方法把图像的概率域信息和模糊集理论相联系,通过对图像区域概率密度函数的无参数估计(核估计),在引入模糊集包含度概念的基础上,构造了图像前景区域和背景区域之间的重叠率。我们在长度正则项的约束下,利用前景和背景之间相互的重叠率,建立了基于包含度的能量函数。通过推导能量函数的梯度流和水平集方法,我们得到了这一优化问题的最优解。实验表明,我们的模型对人造图像和自然图像都能取得良好的分割效果,和已有的无参数概率主动轮廓相比,分割效果相当,并且计算的性能和效率都有一定提高。2.提出一种基于核描述子的交互式主动轮廓模型。早期的主动轮廓模型都是基于低维特征的,而低维图像特征往往缺乏对图像空间相关性的描述,所以对特征混杂的图像(大部分自然图像都是特征混杂的)分割效果较差。对一般的高维特征,如局部直方图,不仅增加了特征在理论和计算上的复杂度,而且缺乏有效的相似度(差异度)度量方法用于建立主动轮廓模型的能量函数。因此我们引入核描述子,它对图像块特征引入每个像素的位置信息,充分考虑了像素的空间相关性。除此之外,它可以方便地计算不同特征之间的相似度,为能量函数的建立提供了方便。该方法有两个步骤,先通过粗分割,得到靠近理想边界的初始曲线。然后,用曲线上点的特征和各区域的模板特征集建立能量函数,最小化该能量函数,即可得到最后的分割结果。实验表明,该方法对用户输入具有很强的鲁棒性,在用户输入较少的情况下,能够比图切方法等得到更良好的分割效果。